Ключові слова
хронічні дифузні захворювання печінки
фіброз печінки
мультипараметричне ультразвукове дослідження
еластографія зсувної хвилі
доплерографія печінкових вен
штучний інтелект
машинне навчання
Як цитувати
Анотація
Вступ. Хронічні дифузні захворювання печінки у дітей потребують безпечної неінвазивної оцінки та повторюваного моніторингу фіброзу. Біопсія печінки залишається референтним методом морфологічної верифікації, однак у педіатричній практиці її застосування обмежують інвазивність, ризик ускладнень та етичні чинники. Мультипараметричне ультразвукове дослідження, зокрема еластографія зсувної хвилі та доплерографічна оцінка кровотоку, придатне для динамічного спостереження, але інтерпретація ультразвукових ознак залишається залежною від оператора. Автоматизований аналіз зображень із застосуванням алгоритмів штучного інтелекту може підвищити об’єктивність та відтворюваність стратифікації фіброзу і підтримати клінічні рішення.
Мета. Оцінити діагностичну точність мультипараметричного ультразвукового дослідження, що включає двовимірну еластографію зсувної хвилі та алгоритми машинного навчання, для стадіювання фіброзу печінки у дітей.
Матеріали та методи. Ретроспективне одноцентрове дослідження включило 185 дітей (140 з хронічними дифузними захворюваннями печінки та 45 дітей контрольної групи). Усім пацієнтам виконано двовимірну еластографію зсувної хвилі, доплерографію печінкових вен та аналіз сірошкальних ультразвукових зображень двома алгоритмами машинного навчання: модель А (алгоритм випадкового лісу, бінарна класифікація) та модель Б (ієрархічний ансамбль, багатокласова класифікація). Референтним підходом слугували клінічна верифікація та стратифікація ризику за результатами еластографії.
Результати. Виявлено виражений позитивний зв’язок між показниками еластографії та прогнозами моделі Б (коефіцієнт рангової кореляції Спірмена 0,77). Модель А продемонструвала специфічність 84 % при диференціації норми від патологічних змін. Модель Б мала вищу чутливість (83 %), однак виявляла тенденцію до завищення оцінки на межі між мінімальними та помірними проявами фіброзу. Доплерографічні патерни, зокрема монофазний спектр кровотоку у печінкових венах, достовірно асоціювалися з вищими стадіями фіброзу.
Висновки. Інтеграція алгоритмів машинного навчання в протокол ультразвукового дослідження підвищує об’єктивність діагностичної оцінки, проте ієрархічні підходи потребують калібрування для зниження частоти хибнопозитивних результатів у зоні ранніх стадій фіброзу.
Посилання
Neuberger, J., Patel, J., Caldwell, H., Davies, S., Hebditch, V., Hollywood, C., et al. (2020). Guidelines on the use of liver biopsy in clinical practice from the British Society of Gastroenterology, the Royal College of Radiologists and the Royal College of Pathology. Gut, 69(8), 1382–1403. https://doi.org/10.1136/gutjnl-2020-321299
Midia, M., Odedra, D., Shuster, A., Midia, R., & Muir, J. (2019). Predictors of bleeding complications following percutaneous image-guided liver biopsy: A scoping review. Diagnostic and Interventional Radiology, 25(1), 71–80. https://doi.org/10.5152/dir.2018.17525
Ferraioli, G., Barr, R. G., Berzigotti, A., et al. (2024). WFUMB guideline/guidance on liver multiparametric ultrasound: Part 1. Update to 2018 guidelines on liver ultrasound elastography. Ultrasound in Medicine & Biology, 50(8), 1071–1087. https://doi.org/10.1016/j.ultrasmedbio.2024.03.013
Ferraioli, G., Barr, R. G., Berzigotti, A., et al. (2024). WFUMB guideline/guidance on liver multiparametric ultrasound: Part 2. Quantification of liver fat with ultrasound. Ultrasound in Medicine & Biology, 50(8), 1088–1098. https://doi.org/10.1016/j.ultrasmedbio.2024.03.014
Liguori, A., Esposto, G., Ainora, M. E., et al. (2025). Liver elastography for liver fibrosis stratification: A comparison of three techniques in a biopsy-controlled MASLD cohort. Biomedicines, 13(1), 138. https://doi.org/10.3390/biomedicines13010138
Song, L., Zhao, L., Deng, J., Meng, F., Wu, X., Lu, Q., Xiang, H., Jing, X., & Luo, Y. (2023). Staging liver fibrosis in patients with chronic hepatitis B using two-dimensional shear wave elastography based on histopathological findings: A prospective multicenter study. Quantitative Imaging in Medicine and Surgery, 13(4), 2376–2387. https://doi.org/10.21037/qims-22-831
Xu, Z.-L., Wang, S.-R., Li, W.-X., Deng, Y.-Q., Kang, Y.-F., Zhang, Y.-R., Li, J., & Cui, X.-W. (2025). Diagnostic performance of point shear wave elastography and vibration-controlled transient elastography in paediatric metabolic dysfunction-associated steatotic liver disease: A systematic review and meta-analysis. BMJ Open, 15(6), e087101. https://doi.org/10.1136/bmjopen-2024-087101
Al-Hasani, M., Sultan, L. R., Sagreiya, H., Cary, T. W., Karmacharya, M. B., & Sehgal, C. M. (2022). Ultrasound radiomics for the detection of early-stage liver fibrosis. Diagnostics, 12(11), 2737. https://doi.org/10.3390/diagnostics12112737
Popa, S. L., Ismaiel, A., Abenavoli, L., et al. (2023). Diagnosis of liver fibrosis using artificial intelligence: A systematic review. Medicina, 59(5), 992. https://doi.org/10.3390/medicina59050992
Chen, B. R., & Pan, C. Q. (2022). Non-invasive assessment of fibrosis and steatosis in pediatric non-alcoholic fatty liver disease. Clinics and Research in Hepatology and Gastroenterology, 46(1), 101755. https://doi.org/10.1016/j.clinre.2021.101755
Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., et al. (2015). STARD 2015: An updated list of essential items for reporting diagnostic accuracy studies. BMJ, 351, h5527. https://doi.org/10.1136/bmj.h5527
Collins, G. S., Dhiman, P., Riley, R. D., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Rinella, M. E., Lazarus, J. V., Ratziu, V., et al. (2023). A multisociety Delphi consensus statement on new fatty liver disease nomenclature. Hepatology, 78(6), 1966–1986. https://doi.org/10.1097/HEP.0000000000000520
Bedossa, P., & Poynard, T. (1996). An algorithm for the grading of activity in chronic hepatitis C. Hepatology, 24(2), 289–293. https://doi.org/10.1002/hep.510240201
Sasso, M., Beaugrand, M., de Lédinghen, V., et al. (2010). Controlled attenuation parameter (CAP): A novel VCTE-guided ultrasonic attenuation measurement for the evaluation of hepatic steatosis: Preliminary study and validation in a cohort of patients with chronic liver disease from various causes. Ultrasound in Medicine & Biology, 36(11), 1825–1835. https://doi.org/10.1016/j.ultrasmedbio.2010.07.005
Vos, M. B., Abrams, S. H., Barlow, S. E., et al. (2017). NASPGHAN clinical practice guideline for the diagnosis and treatment of nonalcoholic fatty liver disease in children. Journal of Pediatric Gastroenterology and Nutrition, 64(2), 319–334. https://doi.org/10.1097/MPG.0000000000001482
Babenko, V., Nastenko, I., Pavlov, V., et al. (2023). Classification of pathologies on medical images using the algorithm of random forest of optimal-complexity trees. Cybernetics and Systems Analysis, 59, 346–358. https://doi.org/10.1007/s10559-023-00569-z
Babenko, V., Nastenko, I., Solodushenko, V., Tarasiuk, B., Pavlov, V., & Averianova, O. (2024). Technology of hierarchical classification applied to ensemble methods for liver fibrosis staging in ultrasound. In 2024 IEEE 19th International Conference on Computer Science and Information Technologies (CSIT) (pp. 1–4). IEEE. https://doi.org/10.1109/CSIT65290.2024.10982652
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.